• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于移動(dòng)用戶瀏覽行為的推薦模型

    2017-12-22 03:58:48鄭文韜秦志光
    關(guān)鍵詞:移動(dòng)用戶項(xiàng)集算法

    丁 哲,秦 臻,鄭文韜,秦志光

    ?

    基于移動(dòng)用戶瀏覽行為的推薦模型

    丁 哲,秦 臻,鄭文韜,秦志光

    (電子科技大學(xué)信息與軟件工程學(xué)院 成都 610054; 電子科技大學(xué)網(wǎng)絡(luò)與數(shù)據(jù)安全四川省重點(diǎn)實(shí)驗(yàn)室 成都 610054)

    推薦算法已經(jīng)被廣泛地應(yīng)用于很多領(lǐng)域。但是如果利用傳統(tǒng)的推薦算法預(yù)測(cè)移動(dòng)用戶瀏覽互聯(lián)網(wǎng)的行為,并在此基礎(chǔ)上對(duì)移動(dòng)用戶進(jìn)行個(gè)性化的內(nèi)容推薦,傳統(tǒng)推薦算法的推薦效果往往比較差。該文通過(guò)分析移動(dòng)用戶瀏覽互聯(lián)網(wǎng)的記錄,得出傳統(tǒng)推薦算法效果差的原因。在此基礎(chǔ)上,提出了一個(gè)基于移動(dòng)用戶瀏覽行為的推薦模型,即RMBDMU。該模型可以對(duì)移動(dòng)用戶瀏覽互聯(lián)網(wǎng)的行為進(jìn)行預(yù)測(cè),在預(yù)測(cè)的基礎(chǔ)上對(duì)移動(dòng)用戶進(jìn)行內(nèi)容推薦。為了驗(yàn)證推薦模型的有效性,在真實(shí)的移動(dòng)用戶瀏覽互聯(lián)網(wǎng)的行為數(shù)據(jù)上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示基于移動(dòng)用戶瀏覽行為的推薦模型比傳統(tǒng)的推薦算法更為有效。

    移動(dòng)用戶; 瀏覽行為的預(yù)測(cè); 概率頻繁項(xiàng)集挖掘; 推薦模型

    隨著手機(jī)應(yīng)用的普及,移動(dòng)技術(shù)已經(jīng)成為人們生活中不可或缺的一部分。人們利用手機(jī)通訊、瀏覽網(wǎng)上的信息等,使電商和移動(dòng)運(yùn)營(yíng)商掌握了大量移動(dòng)用戶上網(wǎng)行為的數(shù)據(jù)。如何利用這些數(shù)據(jù)預(yù)測(cè)移動(dòng)用戶的上網(wǎng)行為,并在預(yù)測(cè)的基礎(chǔ)上對(duì)用戶進(jìn)行內(nèi)容推薦成為了學(xué)術(shù)界的研究熱點(diǎn)。目前大部分電商網(wǎng)站,如淘寶、亞馬遜等,都利用所掌握的用戶數(shù)據(jù)為用戶提供產(chǎn)品推薦

    與傳統(tǒng)的用戶購(gòu)買(mǎi)記錄和用戶評(píng)分記錄不同,移動(dòng)用戶瀏覽互聯(lián)網(wǎng)信息的行為記錄存在很大不確定性。這就導(dǎo)致了傳統(tǒng)的基于用戶購(gòu)買(mǎi)或評(píng)分?jǐn)?shù)據(jù)的推薦算法不適用于基于移動(dòng)用戶瀏覽行為的推薦。移動(dòng)用戶常常為了完成一個(gè)自己相對(duì)陌生的臨時(shí)任務(wù),需要利用手機(jī)在互聯(lián)網(wǎng)上瀏覽大量相關(guān)的信息。當(dāng)這項(xiàng)工作完成以后,該用戶很少瀏覽相關(guān)信息。例如,一個(gè)移動(dòng)用戶去倫敦度假,他會(huì)利用手機(jī)在互聯(lián)網(wǎng)上瀏覽大量關(guān)于倫敦旅游景點(diǎn)的信息。當(dāng)他度假回來(lái),可能就很少關(guān)注倫敦旅游景點(diǎn)的信息。移動(dòng)用戶在互聯(lián)網(wǎng)上的大部分瀏覽行為都是為了完成這種臨時(shí)性的任務(wù)而產(chǎn)生的,所以移動(dòng)用戶瀏覽大部分互聯(lián)網(wǎng)信息的原因并不是自己的興趣,而是這種臨時(shí)的需求,這就導(dǎo)致了移動(dòng)用戶瀏覽行為記錄存在很大的不確定性。所以很難利用傳統(tǒng)的推薦算法發(fā)現(xiàn)用戶真正感興趣的互聯(lián)網(wǎng)信息。為了能夠從移動(dòng)用戶瀏覽行為的記錄中發(fā)現(xiàn)移動(dòng)用戶的興趣,本文提出一種新的基于移動(dòng)用戶瀏覽行為的推薦模型(recommendation model based on mobile user behaviors, RMBDMU)。該模型不僅分析了移動(dòng)用戶瀏覽互聯(lián)網(wǎng)信息的次數(shù),還分析了移動(dòng)用戶關(guān)注互聯(lián)網(wǎng)信息的天數(shù),從而分析出移動(dòng)用戶的興趣。本文有以下3個(gè)貢獻(xiàn)。

    1) 通過(guò)分析移動(dòng)用戶瀏覽互聯(lián)網(wǎng)信息的記錄,發(fā)現(xiàn)造成傳統(tǒng)推薦算法無(wú)法有效地應(yīng)用于基于移動(dòng)用戶瀏覽信息推薦的原因。

    2) 提出一種新的基于移動(dòng)用戶瀏覽行為的推薦模型(RMBDMU)。

    3) 在真實(shí)的移動(dòng)用戶瀏覽行為的數(shù)據(jù)上對(duì)提出的推薦模型進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明該推薦模型比傳統(tǒng)的推薦算法更為有效。

    1 相關(guān)工作

    最常用的協(xié)同過(guò)濾推薦算法是建立在鄰居模型的基礎(chǔ)上。最早的基于鄰居模型的協(xié)同過(guò)濾推薦算法是基于用戶鄰居的協(xié)調(diào)過(guò)濾推薦算法[1]。如果將基于用戶鄰居的協(xié)同過(guò)濾推薦算法應(yīng)用于電商系統(tǒng),該算法需要大量的計(jì)算量,這就導(dǎo)致了推薦效果較差。為了解決這一問(wèn)題,基于項(xiàng)目鄰居的協(xié)同過(guò)濾算法得到廣泛的應(yīng)用[2-3]。

    基于隱語(yǔ)義模型推薦算法,如奇異分解,也是一種常用的協(xié)同過(guò)濾模型。隱語(yǔ)義模型中,隱因子建立用戶興趣和商品之間的聯(lián)系[4-5]。文獻(xiàn)[6]在SVD中引入了自信度,并提出基于隱反饋的推薦算法。文獻(xiàn)[7]利用價(jià)格之間的聯(lián)系處理推薦算法中的冷啟動(dòng)問(wèn)題。

    頻繁項(xiàng)集挖掘是數(shù)據(jù)挖掘中的一個(gè)重要的分支。1993年,文獻(xiàn)[8]提出了Apriori算法。為了提高項(xiàng)集挖掘的效率,文獻(xiàn)[9]提出了基于FP樹(shù)挖掘算法,基于FP樹(shù)挖掘算法相對(duì)Apriori算法,減少了挖掘頻繁項(xiàng)集的運(yùn)行時(shí)間和所需的空間。雖然Aprior和基于FP樹(shù)挖掘算法得到了廣泛的應(yīng)用,但Apriori算法和基于FP樹(shù)的挖掘算法很難直接應(yīng)用于基于不確定數(shù)據(jù)集的頻繁項(xiàng)集挖掘。在2007年,文獻(xiàn)[10]提出了期望支持度的方法來(lái)計(jì)算項(xiàng)集在不確定數(shù)據(jù)集中的支持度。文獻(xiàn)[11]提出了頻繁概率來(lái)計(jì)算項(xiàng)集在不確定數(shù)據(jù)集中的支持度。本文利用頻繁概率作為頻繁度的度量。文獻(xiàn)[12]提出了一種新的挖掘概率頻繁項(xiàng)集的方法,該方法可以挖掘出由項(xiàng)集組成的集合,包含項(xiàng)集的個(gè)數(shù)最少,但包含的所有頻繁項(xiàng)集的概率很高。而文獻(xiàn)[12]中計(jì)算頻繁概率的方法則是建立在泊松二項(xiàng)分布的相關(guān)理論[13-15]基礎(chǔ)上。

    2 數(shù)據(jù)分析

    本文根據(jù)互聯(lián)網(wǎng)信息的內(nèi)容對(duì)互聯(lián)網(wǎng)信息進(jìn)行分類。由于移動(dòng)用戶瀏覽互聯(lián)網(wǎng)信息的原因很多,并且在一時(shí)間段,移動(dòng)用戶關(guān)注的時(shí)間不一定隨著瀏覽的次數(shù)增加而增加。所以傳統(tǒng)推薦算法很難在瀏覽數(shù)據(jù)中發(fā)現(xiàn)移動(dòng)用戶的興趣。

    2.1 數(shù)據(jù)描述

    本文應(yīng)用的數(shù)據(jù)是31660個(gè)用戶3個(gè)月的智能手機(jī)應(yīng)用程序日志,這些數(shù)據(jù)來(lái)源于網(wǎng)絡(luò)運(yùn)營(yíng)商。當(dāng)智能手機(jī)的應(yīng)用程序訪問(wèn)互聯(lián)網(wǎng)的資源時(shí),就會(huì)生成其訪問(wèn)資源的記錄。所使用的數(shù)據(jù)包括179 954181個(gè)訪問(wèn)記錄,每個(gè)記錄是由表示其用戶ID和被訪問(wèn)互聯(lián)網(wǎng)資源的數(shù)字編碼組成。通過(guò)使用正則表達(dá)式對(duì)不同關(guān)鍵字的匹配,得到了與被訪問(wèn)的互聯(lián)網(wǎng)資源相匹配的主題。本文按照主題對(duì)信息進(jìn)行分類,如體育類、金融類等。通過(guò)分析31660個(gè)移動(dòng)用戶在2013年10月的瀏覽數(shù)據(jù),發(fā)現(xiàn)移動(dòng)用戶的瀏覽特征。

    2.2 關(guān)注時(shí)間分析

    圖1 關(guān)注時(shí)間對(duì)比分析

    通過(guò)分析31660個(gè)移動(dòng)用戶在2013年10月瀏覽網(wǎng)絡(luò)信息的日志,獲得移動(dòng)用戶瀏覽行為的特點(diǎn)。在2013年10月中,不同的關(guān)注天數(shù)的主題占2013年10月關(guān)注所有主題的人均百分比如圖1所示。在圖1中,橫坐標(biāo)表示移動(dòng)用戶對(duì)主題的關(guān)注天數(shù),縱坐標(biāo)表示關(guān)注相應(yīng)天數(shù)的主題數(shù)占2013年10月總關(guān)注主題數(shù)的人均百分比。從圖1可以看出,在10月份,移動(dòng)用戶瀏覽的不同主題的信息,大部分主題只關(guān)注1~3天,即關(guān)注1~3天的主題數(shù)占10份關(guān)注總主題數(shù)的42%。隨著關(guān)注時(shí)間的擴(kuò)大,關(guān)注主題數(shù)急劇下降。當(dāng)關(guān)注時(shí)間大于20天后,關(guān)注的主題數(shù)目趨近于平穩(wěn),約占10月份關(guān)注總主題數(shù)的5%。

    2.3 瀏覽次數(shù)分析

    分析不同關(guān)注天數(shù)的主題的人均瀏覽次數(shù),如圖2所示。通過(guò)分析圖2,可以發(fā)現(xiàn)在2013年10月,移動(dòng)用戶對(duì)主題的瀏覽次數(shù)并不一定隨著關(guān)注時(shí)間的增加而增加。

    圖2 瀏覽次數(shù)對(duì)比

    通過(guò)上述分析,可以得出:1)移動(dòng)用戶關(guān)注大量的互聯(lián)網(wǎng)信息,但是只有很少的一部分是與該用戶的興趣相關(guān)的;2) 在一段時(shí)間之內(nèi),移動(dòng)用戶瀏覽次數(shù)多的互聯(lián)網(wǎng)信息不一定與該用戶的興趣相關(guān)聯(lián)。

    3 推薦模型

    本文提出一個(gè)新的基于移動(dòng)用戶瀏覽行為的推薦模型(RMBDMU)。該模型建立在概率頻繁項(xiàng)集挖掘的基礎(chǔ)上,發(fā)現(xiàn)移動(dòng)用戶對(duì)于不同主題的互聯(lián)網(wǎng)信息的興趣度,然后根據(jù)興趣度的大小,將主題以遞減的方式排序,最后將前個(gè)主題推薦給移動(dòng)用戶。

    為了使模型有更好的推薦效果,本文從兩方面對(duì)第個(gè)主題信息的興趣度的預(yù)測(cè)結(jié)果進(jìn)行優(yōu)化。

    1) 利用用戶鄰居對(duì)用戶的興趣度進(jìn)行優(yōu)化

    如果不同的移動(dòng)用戶具有相似的行為,那么他們的興趣也可能相似,所以利用皮爾森相似度來(lái)對(duì)移動(dòng)用戶行為的相似性進(jìn)行度量,從而發(fā)現(xiàn)每個(gè)移動(dòng)用戶的鄰居用戶,利用鄰居用戶對(duì)用戶的興趣度進(jìn)行優(yōu)化。

    2) 利用主題鄰居對(duì)用戶的興趣度進(jìn)行優(yōu)化

    利用皮爾森相似度,可以找到第個(gè)主題的前個(gè)鄰居,從而利用式(8)得到對(duì)于第個(gè)主題,基于鄰居主題的關(guān)注度。最終利用式(9)優(yōu)化用戶對(duì)第個(gè)主題關(guān)注度。其中是控制權(quán)重的參數(shù)。

    最后關(guān)于用戶對(duì)第個(gè)主題的興趣度,即Interesing()的預(yù)測(cè)結(jié)果是(是控制權(quán)重的參數(shù)):

    4 實(shí)驗(yàn)評(píng)估

    4.1 評(píng)估度量

    本文利用移動(dòng)用戶的人均1值和在測(cè)試集中,移動(dòng)用戶人均瀏覽推薦主題的平均瀏覽次數(shù),對(duì)測(cè)試結(jié)果進(jìn)行評(píng)估。1值是融合了正確率和召回率的指標(biāo),即是準(zhǔn)確率和召回率的調(diào)和平均值[14]。人均1值如式(12)所示,其中表示用戶的人數(shù),Precision表示對(duì)第個(gè)用戶推薦的準(zhǔn)確率,即對(duì)第個(gè)移動(dòng)用戶推薦,并且被該用戶瀏覽的主題占為第個(gè)用戶推薦的全部瀏覽主題的百分比,Recall表示對(duì)第個(gè)用戶推薦的召回率,即對(duì)第個(gè)移動(dòng)用戶推薦,并被該用戶瀏覽的主題占總該移動(dòng)用戶瀏覽總主題數(shù)的百分比。

    4.2 參數(shù)調(diào)節(jié)

    利用2013年10月15日-2013年10月31日的瀏覽數(shù)據(jù)作為訓(xùn)練集,2013年10月1日-2013年10月14日的瀏覽數(shù)據(jù)訓(xùn)練模型中的參數(shù)。

    1) 對(duì)于參數(shù)和參數(shù)的調(diào)節(jié):為了評(píng)估隨著用戶鄰居數(shù)的變化對(duì)模型的推薦效果的影響,設(shè)置為0.1,minsup為1,和為5,的范圍從1~20。實(shí)驗(yàn)結(jié)果顯示當(dāng)大于等于5時(shí),人均1值達(dá)到穩(wěn)定,所以設(shè)置等于5。在評(píng)估主題鄰居數(shù)對(duì)推薦效果的影響時(shí),設(shè)置為0.1,minsup為1,為10,為5,從1~20,實(shí)驗(yàn)結(jié)果顯示當(dāng)≥5時(shí),人均1值達(dá)到穩(wěn)定,設(shè)置為5。

    2) 對(duì)于參數(shù)進(jìn)行調(diào)節(jié),設(shè)minsup為1,、和為5,當(dāng)測(cè)試對(duì)推薦效果的影響時(shí),為0.1,的取值范圍從0.1~1。實(shí)驗(yàn)結(jié)果顯示當(dāng)≥0.7時(shí),人均1值達(dá)到穩(wěn)定,即52.8%,所以設(shè)置為0.7,當(dāng)測(cè)試對(duì)推薦效果的影響時(shí),設(shè)置為0.7,的取值范圍是從0.1~1。實(shí)驗(yàn)結(jié)果顯示當(dāng)≥0.8時(shí),人均1值達(dá)到穩(wěn)定,即55.8%,所以設(shè)置為0.8。

    3) 最大推薦主題數(shù): 為了評(píng)估最大推薦數(shù),設(shè)minsup為1,為0.7,和為5,為0.8,為0.1。的取值范圍是從1~20,隨著的增加,推薦效果有很大的改進(jìn)。當(dāng)≥10,推薦效果達(dá)到穩(wěn)定狀態(tài)。此時(shí)人均1值為53.41%。所以設(shè)的最大值為10。

    4) 參數(shù):為了評(píng)估的變化對(duì)推薦效果的影響,設(shè)為10,為0.7,和為5,為0.8,minsup為1。在實(shí)驗(yàn)中的取值范圍從0.1~1。實(shí)驗(yàn)結(jié)果顯示人均1值隨的增大而增大,當(dāng)等于0.9時(shí),人均1值達(dá)到最大,所以實(shí)驗(yàn)值設(shè)置為0.9。

    5) 最小關(guān)注天數(shù)minsup:為了發(fā)現(xiàn)最小關(guān)注天數(shù)變化對(duì)推薦結(jié)果的影響,設(shè)等于10,為0.7,和為5,為0.8,等于0.9。minsup從1~15。實(shí)驗(yàn)結(jié)果顯示,人均1值隨minsup的增大而增大,當(dāng)minsup≥13時(shí),人均1值達(dá)到穩(wěn)定值。所以設(shè)置minsup為13。

    4.3 實(shí)驗(yàn)結(jié)果分析

    本文有4個(gè)對(duì)比實(shí)驗(yàn),分別是:1) 基于項(xiàng)目鄰居的協(xié)同過(guò)濾推薦算法(collaborative filtering recommendation model based on item neighbors, CFRMIN)。該算法利用皮爾森相似度尋找用戶瀏覽過(guò)的主題的鄰居,然后利用用戶瀏覽過(guò)的主題的鄰居集合去預(yù)測(cè)用戶對(duì)自己瀏覽過(guò)的主題的感興趣程度[6]。2) 基于隱語(yǔ)義模型的推薦算法(rcommendationmodel based on latent factor model, RMLFM)[4]。3) 基于瀏覽次數(shù)的推薦算法(rcommendation model based on browsing times, RMBT),即將所有用戶瀏覽過(guò)的主題按用戶瀏覽次數(shù),以遞減的順序排序,將前個(gè)推薦給用戶。4) 基于用戶關(guān)注天數(shù)的推薦算法(recommendation model based on concerning a number of days, RMCD),即將用戶瀏覽過(guò)的主題按用戶關(guān)注的天數(shù),以遞減的順序排序,將前個(gè)推薦給用戶。

    圖3 第1組實(shí)驗(yàn)的移動(dòng)用戶人均F1值

    本文通過(guò)兩組實(shí)驗(yàn)測(cè)試模型的有效性。1) 利用31660個(gè)移動(dòng)用戶2013年10月日-2013年10月31日的瀏覽數(shù)據(jù)作為訓(xùn)練集。并以2013年11月的瀏覽數(shù)據(jù)作為測(cè)試集,測(cè)試結(jié)果如圖3和圖4所示。2) 訓(xùn)練集和參數(shù)不變,以2013年12月的瀏覽數(shù)據(jù)作為測(cè)試集,測(cè)試結(jié)果如圖5和圖6所示。本文提出的推薦模型(RMBDMU)的實(shí)驗(yàn)效果總體優(yōu)于CFRMIN和RMLFM的實(shí)驗(yàn)效果。正如第2.3節(jié)提到的,首先移動(dòng)用戶關(guān)注的大量信息中,只有很少的一部分是和他的興趣相關(guān)的,其次,在一段時(shí)期,移動(dòng)用戶瀏覽越多的信息,可能不是與其興趣相關(guān)的。所以尋找主題之間的關(guān)系,是非常困難的。CFRMIN和RMLFM都是基于主題之間的相互關(guān)系的,所以效果很差。圖3和圖5中,可以看出當(dāng)?shù)扔?時(shí),RMBDMU的人均1值分別是0.443和0.412。隨著的增大,RMBDMU的人均1值逐漸的增大。當(dāng)大于等于8時(shí),RMBDMU的人均1值到達(dá)穩(wěn)定,分別是0.594和0.591。雖然RMBDMU的人均1值隨著值得增大而增大,但是RMBDMU的人均1值與RMCD和RMBT的人均1值非常接近。這說(shuō)明RMBDMU推薦的主題和RMCD和RMBT推薦給用戶的主題,用戶都有關(guān)注。但是圖4和圖6顯示,用戶人均對(duì)RMBDMU推薦主題的平均瀏覽次數(shù)遠(yuǎn)遠(yuǎn)大于用戶人均對(duì)RMCD和RMBT推薦給用戶主題的平均瀏覽次數(shù)。這說(shuō)明RMBDMU推薦給用戶的主題,用戶的關(guān)注度更高。

    圖4 第1組實(shí)驗(yàn)用戶人均瀏覽推薦主題平均瀏覽次數(shù)

    圖5 第2組實(shí)驗(yàn)的移動(dòng)用戶人均F1值

    圖6 第2組實(shí)驗(yàn)用戶人均瀏覽推薦主題平均瀏覽次數(shù)

    5 結(jié)束語(yǔ)

    本文首先分析傳統(tǒng)推薦算法無(wú)法在移動(dòng)用戶上網(wǎng)瀏覽數(shù)據(jù)上進(jìn)行有效內(nèi)容推薦的原因。然后提出了一種基于移動(dòng)用戶瀏覽行為的推薦模型。通過(guò)在真實(shí)的移動(dòng)用戶瀏覽數(shù)據(jù)上進(jìn)行測(cè)試,實(shí)驗(yàn)驗(yàn)證了模型的有效性。

    [1] HERLOCKER J L, KONSTAN J A, BORCHERS A, et al. An algorithmic framework for performing collaborative filtering[C]//Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. Berkeley: ACM, 1999: 230-237.

    [2] SCHAFER J B, DAN F, HERLOCKER J, et al. Collaborative filtering recommender systems[C]//The Adaptive Web, Methods and Strategies of Web Personalization. Berlin, Heidelberg: Spring, 2015: 46-45.

    [3] SARWAR B, KARYPIS G, KONSTAN J, et al. Item-based collaborative filtering recommendation algorithms[C]// Proceedings of the 10th International Conference on World Wide Web. Hong Kong, China: ACM, 2001: 285-295.

    [4] FUNK S. FunkSVD [EB/OL]. (2006-12-11). http:// sifter.org/~simon/journal/20061211.html.

    [5] KOREN Y, BELL R. Advances in collaborative filtering[M]. Recommender Systems Handbook. New York: Springer, 2011.

    [6] HU Y, KOREN Y, VOLINSKY C.Collaborative filtering for implicit feedback datasets[C]//Eighth IEEE International Conference on Data Mining. Pisa: IEEE, 2009: 263-272.

    [7] CHEN J, JIN Q, ZHAO S, et al. Does product recommendation meet its waterloo in unexplored categories: no, price comes to help[C]//Proceedings of the 37th International ACM SIGIR Conference on Research & Development in Information Retrieval. Gold Coast: ACM, 2014:667-676.

    [8] AGRAWAL R SRIKANT R. Fast algorithm for mining association rules[J]. Journal of Computer Science & Technology, 1994, 15(6): 619-624.

    [9] HAN J, KAMBER M, PEI J. Data mining: Concepts and techniques[M]. Netherlands:Elsevier, 2011.

    [10] CHUI C K, KAO B, HUNG E. Mining frequent item sets from uncertain data[J]. 2007, 4426: 47-58.

    [11] LEUNG K S. Uncertain frequent pattern mining[M]. Frequent Pattern Mining. New York: Springer International Publishing, 2014.

    [12] LIU C, CHEN L, ZHANG C. Summarizing probabilistic frequent patterns: a fast approach[C]//ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Chicago: [s.n.], 2013: 527-535.

    [13]BERNECKER T, CHENG R, CHEUNG D W, et al. Model-based probabilistic frequent itemset mining[J]. Knowledge and Information Systems, 2013, 37(1): 181-217.

    [14] WANG L, CHEUNG D W L, CHENG R, et al. Efficient mining of frequent item sets on large uncertain databases[J], IEEE Transactions on Knowledge and Data Engineering, 2012, 24(12): 2170-2183.

    [15] CAM L L. An approximation theorem for the Poisson binomial distribution.[J]. Pacific Journal of Mathematics, 1960, 10(4): 1181-1197.

    編 輯 蔣 曉

    A Recommendation Model Based on Browsing Behaviors of Mobile Users

    DING Zhe, QIN Zhen, ZHENG Wen-tao, and QIN Zhi-guang

    ( School of Information and Software Engineering, University of Electronic Science and Technology of China Chengdu 610054; Network and Data Security Key Laboratory of Sichuan Province, University of Electronic Science and Technology of China Chengdu 610054)

    Recommendation algorithms have been commonly adopted in many fields. However, traditional recommendation algorithms fail to achieve the expected recommendation results if they are applied to predict browsing behaviors of the mobile users and further to recommend personalized content to the mobile users. By analyzing the Internet browsing data of the mobile users, this paper proposes a recommendation model based on browsing data of mobile users, denoted as RMBDMU, to predict the future browsing activities of the mobile users and take them as the bases to recommend contents to the mobile users. An experiment on the Internet browsing behavior data of the real mobile users is conducted to verify the effectiveness of the model. The experiment result shows that the recommendation model based on browsing data of mobile users is more effective than the traditional recommendation algorithms.

    mobile users; prediction of browsing behaviors; probabilistic frequent itemset mining; recommendation model

    TP393

    A

    10.3969/j.issn.1001-0548.2017.06.020

    2016-07-21;

    2016-12-15

    國(guó)家自然科學(xué)基金( 61133016, 61300191, 61202445, 61370026);四川省科技支撐計(jì)劃(2014GZ0106, 2016JZ0020)

    丁哲(1982-),男,博士生,主要從事機(jī)器學(xué)習(xí)、推薦算法和信息安全方面的研究.

    猜你喜歡
    移動(dòng)用戶項(xiàng)集算法
    基于MapReduce的改進(jìn)Eclat算法
    Travellng thg World Full—time for Rree
    進(jìn)位加法的兩種算法
    無(wú)線通信技術(shù)未來(lái)發(fā)展趨勢(shì)分析
    基于預(yù)測(cè)位置的移動(dòng)用戶位置隱私保護(hù)研究
    一種改進(jìn)的整周模糊度去相關(guān)算法
    聯(lián)通4個(gè)月流失移動(dòng)用戶887萬(wàn)
    關(guān)聯(lián)規(guī)則中經(jīng)典的Apriori算法研究
    卷宗(2014年5期)2014-07-15 07:47:08
    一種頻繁核心項(xiàng)集的快速挖掘算法
    用戶對(duì)移動(dòng)網(wǎng)絡(luò)服務(wù)偏好學(xué)習(xí)技術(shù)綜述
    国产爱豆传媒在线观看| 一级毛片 在线播放| 国产淫语在线视频| av免费在线看不卡| 久久这里有精品视频免费| 午夜老司机福利剧场| 又大又黄又爽视频免费| 中文天堂在线官网| 高清毛片免费看| 久久综合国产亚洲精品| 日本与韩国留学比较| 欧美精品一区二区大全| 久久久久国产网址| 免费黄频网站在线观看国产| 亚洲精品中文字幕在线视频 | 亚洲电影在线观看av| 熟妇人妻久久中文字幕3abv| 午夜视频国产福利| 日韩视频在线欧美| 国产成人精品一,二区| 国产一区有黄有色的免费视频 | 欧美一级a爱片免费观看看| 久久精品综合一区二区三区| 乱人视频在线观看| 免费播放大片免费观看视频在线观看| 两个人的视频大全免费| 精品人妻偷拍中文字幕| 成人亚洲欧美一区二区av| 女人久久www免费人成看片| 赤兔流量卡办理| 青春草视频在线免费观看| 精品久久久久久成人av| 91精品国产九色| 亚洲国产色片| 国产成人精品久久久久久| 97精品久久久久久久久久精品| 日韩欧美三级三区| 国产大屁股一区二区在线视频| 天堂俺去俺来也www色官网 | 欧美成人一区二区免费高清观看| 观看美女的网站| 欧美成人一区二区免费高清观看| 亚洲精品国产av成人精品| 最近中文字幕高清免费大全6| 国产高清有码在线观看视频| 亚洲欧洲日产国产| 最近最新中文字幕免费大全7| 免费播放大片免费观看视频在线观看| 亚洲成人精品中文字幕电影| 国产av在哪里看| 亚洲精品日韩在线中文字幕| 国产精品国产三级专区第一集| 全区人妻精品视频| 国内精品一区二区在线观看| 久久久久久久久久成人| 亚洲精品一区蜜桃| 国产黄色视频一区二区在线观看| 高清av免费在线| 成人国产麻豆网| 亚洲欧美精品专区久久| 91aial.com中文字幕在线观看| 亚洲精品aⅴ在线观看| 国产午夜精品论理片| 亚洲国产日韩欧美精品在线观看| 十八禁国产超污无遮挡网站| 国产单亲对白刺激| 好男人视频免费观看在线| 国产成人精品婷婷| 国产精品综合久久久久久久免费| 不卡视频在线观看欧美| 内射极品少妇av片p| 欧美最新免费一区二区三区| 人体艺术视频欧美日本| 亚洲成色77777| 伦理电影大哥的女人| 免费看a级黄色片| 国产免费福利视频在线观看| 一级毛片黄色毛片免费观看视频| 波野结衣二区三区在线| 欧美激情久久久久久爽电影| 欧美激情久久久久久爽电影| 日韩国内少妇激情av| 亚洲经典国产精华液单| 我的老师免费观看完整版| 在线观看av片永久免费下载| 欧美激情久久久久久爽电影| 久久久久久久亚洲中文字幕| 国产片特级美女逼逼视频| eeuss影院久久| 好男人视频免费观看在线| 精品午夜福利在线看| 大话2 男鬼变身卡| a级一级毛片免费在线观看| 欧美xxxx性猛交bbbb| 国产精品三级大全| av在线蜜桃| 成年免费大片在线观看| 亚洲国产欧美人成| 久久午夜福利片| 精品一区二区三区人妻视频| 久久精品久久精品一区二区三区| 亚洲欧美精品自产自拍| 国内揄拍国产精品人妻在线| 久热久热在线精品观看| 国国产精品蜜臀av免费| 中文资源天堂在线| 日韩国内少妇激情av| 高清欧美精品videossex| av免费在线看不卡| 全区人妻精品视频| 国产亚洲5aaaaa淫片| 婷婷色综合大香蕉| 精品一区二区免费观看| 国产av不卡久久| 精品人妻视频免费看| 国产精品综合久久久久久久免费| 男女下面进入的视频免费午夜| 婷婷六月久久综合丁香| 亚洲精品色激情综合| 精品午夜福利在线看| 亚洲国产精品专区欧美| 亚洲欧美日韩无卡精品| 亚洲精品视频女| 婷婷色综合大香蕉| 我的女老师完整版在线观看| 久久久久久久久大av| 99re6热这里在线精品视频| 亚洲最大成人中文| 日韩,欧美,国产一区二区三区| 中国美白少妇内射xxxbb| 亚洲性久久影院| 一级毛片黄色毛片免费观看视频| 午夜福利高清视频| 一区二区三区高清视频在线| 美女大奶头视频| 国产伦精品一区二区三区视频9| 中文欧美无线码| eeuss影院久久| 一级a做视频免费观看| 一级二级三级毛片免费看| 国产精品久久久久久av不卡| 久久久久九九精品影院| 成年免费大片在线观看| 麻豆乱淫一区二区| 久久久a久久爽久久v久久| 免费人成在线观看视频色| 成人午夜精彩视频在线观看| 亚洲美女搞黄在线观看| 最近最新中文字幕大全电影3| 午夜精品国产一区二区电影 | 日韩人妻高清精品专区| 日韩不卡一区二区三区视频在线| 亚洲av电影在线观看一区二区三区 | 国产亚洲一区二区精品| 免费在线观看成人毛片| 午夜精品国产一区二区电影 | 淫秽高清视频在线观看| 日韩av在线大香蕉| 一区二区三区乱码不卡18| 国产精品一区www在线观看| 一级av片app| 亚洲av成人精品一区久久| 中文字幕久久专区| 在线免费十八禁| 亚洲精品色激情综合| 蜜桃久久精品国产亚洲av| 国产免费福利视频在线观看| 少妇高潮的动态图| 18禁动态无遮挡网站| 午夜福利视频1000在线观看| 高清日韩中文字幕在线| 欧美97在线视频| 高清欧美精品videossex| 搡老妇女老女人老熟妇| 亚洲精品久久午夜乱码| 亚洲精品日本国产第一区| 国产麻豆成人av免费视频| 99久国产av精品国产电影| 老司机影院成人| 国产单亲对白刺激| 免费看日本二区| 色尼玛亚洲综合影院| a级一级毛片免费在线观看| 色网站视频免费| 中文欧美无线码| 中国国产av一级| 麻豆乱淫一区二区| 日韩一区二区视频免费看| www.av在线官网国产| 看黄色毛片网站| 久久精品国产亚洲av涩爱| 熟女电影av网| 久久国产乱子免费精品| 99久久精品热视频| 国产黄色小视频在线观看| 久久97久久精品| 午夜激情福利司机影院| 国产久久久一区二区三区| 秋霞伦理黄片| 熟妇人妻久久中文字幕3abv| 日本黄大片高清| 人妻夜夜爽99麻豆av| 国产午夜精品久久久久久一区二区三区| 日韩中字成人| 亚洲一级一片aⅴ在线观看| 午夜激情久久久久久久| 两个人视频免费观看高清| 亚洲精品第二区| 中文字幕人妻熟人妻熟丝袜美| 亚洲精品一二三| 日韩,欧美,国产一区二区三区| 亚洲精品aⅴ在线观看| 精品久久久久久电影网| 综合色av麻豆| 日本欧美国产在线视频| 亚洲成人一二三区av| 啦啦啦韩国在线观看视频| 国产熟女欧美一区二区| 美女大奶头视频| 久久久精品欧美日韩精品| 亚洲精品日本国产第一区| 久99久视频精品免费| 丝袜喷水一区| 亚洲精品自拍成人| 久久99热这里只频精品6学生| 午夜福利视频精品| 男人爽女人下面视频在线观看| 亚洲欧美中文字幕日韩二区| 日本三级黄在线观看| 午夜免费男女啪啪视频观看| 人体艺术视频欧美日本| av国产免费在线观看| 亚洲av一区综合| 午夜激情欧美在线| 观看免费一级毛片| 成年版毛片免费区| 久久99精品国语久久久| 国产成人精品婷婷| 搡老妇女老女人老熟妇| 在线免费观看不下载黄p国产| 国产伦精品一区二区三区四那| 精品人妻偷拍中文字幕| 少妇猛男粗大的猛烈进出视频 | 日本黄色片子视频| 亚洲成色77777| 亚洲av电影在线观看一区二区三区 | 中文在线观看免费www的网站| 亚洲欧美精品专区久久| 少妇人妻精品综合一区二区| 国产午夜福利久久久久久| 成人午夜高清在线视频| 日韩成人伦理影院| 成人特级av手机在线观看| 午夜久久久久精精品| av在线观看视频网站免费| 国产精品熟女久久久久浪| 精品少妇黑人巨大在线播放| 国国产精品蜜臀av免费| 国产色爽女视频免费观看| 精华霜和精华液先用哪个| 乱系列少妇在线播放| 一个人看的www免费观看视频| 搡女人真爽免费视频火全软件| 久久精品夜色国产| 成年版毛片免费区| 国产亚洲最大av| 在线 av 中文字幕| 国产精品99久久久久久久久| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 日韩大片免费观看网站| 国产中年淑女户外野战色| 欧美激情久久久久久爽电影| 久久精品综合一区二区三区| 尤物成人国产欧美一区二区三区| 26uuu在线亚洲综合色| 国产精品熟女久久久久浪| 麻豆成人av视频| 日韩三级伦理在线观看| 欧美成人精品欧美一级黄| 大陆偷拍与自拍| 亚洲怡红院男人天堂| 亚洲欧美中文字幕日韩二区| 十八禁网站网址无遮挡 | 97在线视频观看| 听说在线观看完整版免费高清| 婷婷色综合www| 婷婷色av中文字幕| 国产精品不卡视频一区二区| 日本熟妇午夜| 男女啪啪激烈高潮av片| 97在线视频观看| 男人和女人高潮做爰伦理| 如何舔出高潮| 乱码一卡2卡4卡精品| 岛国毛片在线播放| 国产有黄有色有爽视频| av网站免费在线观看视频 | 国内少妇人妻偷人精品xxx网站| 精品久久久久久电影网| 日韩伦理黄色片| 天天躁夜夜躁狠狠久久av| 亚洲怡红院男人天堂| 日韩av在线大香蕉| 五月天丁香电影| 精品久久久久久久久av| 国产男人的电影天堂91| 免费观看无遮挡的男女| 国产人妻一区二区三区在| 亚洲精品456在线播放app| 内地一区二区视频在线| kizo精华| 日韩一本色道免费dvd| 亚洲精品日韩av片在线观看| 亚洲成人中文字幕在线播放| 九色成人免费人妻av| 久久午夜福利片| 欧美日韩亚洲高清精品| 伊人久久精品亚洲午夜| 日韩欧美精品v在线| 一级毛片久久久久久久久女| 午夜激情欧美在线| 日韩在线高清观看一区二区三区| av在线观看视频网站免费| 国产亚洲最大av| 最后的刺客免费高清国语| 中文在线观看免费www的网站| 三级男女做爰猛烈吃奶摸视频| 亚洲怡红院男人天堂| av在线播放精品| 国产单亲对白刺激| 国产激情偷乱视频一区二区| 亚洲无线观看免费| 国产黄片美女视频| 亚洲精品乱码久久久久久按摩| 九九久久精品国产亚洲av麻豆| 一级毛片黄色毛片免费观看视频| 国内少妇人妻偷人精品xxx网站| 2018国产大陆天天弄谢| 国产精品美女特级片免费视频播放器| 欧美+日韩+精品| 国产成人91sexporn| 少妇猛男粗大的猛烈进出视频 | 欧美一区二区亚洲| 久久人人爽人人片av| 99久久精品一区二区三区| 自拍偷自拍亚洲精品老妇| 久久99热这里只频精品6学生| 久久久久久久大尺度免费视频| 日本熟妇午夜| 成年女人看的毛片在线观看| 免费av毛片视频| 日韩亚洲欧美综合| 又爽又黄a免费视频| 亚洲成人av在线免费| 国产成年人精品一区二区| 成人av在线播放网站| 午夜免费观看性视频| 精品国产一区二区三区久久久樱花 | 久久精品国产鲁丝片午夜精品| 夫妻性生交免费视频一级片| 免费电影在线观看免费观看| 精品欧美国产一区二区三| 黄色欧美视频在线观看| 日韩欧美 国产精品| 免费播放大片免费观看视频在线观看| 街头女战士在线观看网站| 亚洲精品视频女| 有码 亚洲区| av卡一久久| 亚洲天堂国产精品一区在线| av.在线天堂| 久久精品综合一区二区三区| 丰满少妇做爰视频| 成人一区二区视频在线观看| 日日啪夜夜撸| 亚洲精品久久午夜乱码| 精品人妻一区二区三区麻豆| 国产精品综合久久久久久久免费| 久久久精品欧美日韩精品| 国产一级毛片在线| 精品不卡国产一区二区三区| 国产国拍精品亚洲av在线观看| 超碰97精品在线观看| 三级经典国产精品| 亚洲精品色激情综合| 蜜桃久久精品国产亚洲av| 日产精品乱码卡一卡2卡三| 国产老妇伦熟女老妇高清| h日本视频在线播放| 久久97久久精品| 国产成人精品福利久久| 久久午夜福利片| 搡老乐熟女国产| 欧美丝袜亚洲另类| 国产免费一级a男人的天堂| 少妇丰满av| 特大巨黑吊av在线直播| 亚洲欧美成人综合另类久久久| 直男gayav资源| 九九久久精品国产亚洲av麻豆| 尤物成人国产欧美一区二区三区| 国产成年人精品一区二区| 欧美97在线视频| 有码 亚洲区| 亚洲人成网站在线观看播放| 免费看美女性在线毛片视频| 久久久久国产网址| av国产久精品久网站免费入址| 九九在线视频观看精品| 亚洲国产色片| 免费高清在线观看视频在线观看| 亚洲精品456在线播放app| av国产免费在线观看| 免费在线观看成人毛片| 免费观看a级毛片全部| 午夜精品国产一区二区电影 | 日韩av不卡免费在线播放| 国产精品一区www在线观看| 久久精品人妻少妇| 国产乱来视频区| 人人妻人人澡欧美一区二区| 久久久久久久大尺度免费视频| 亚洲欧洲国产日韩| 日本一本二区三区精品| 成人特级av手机在线观看| 日日摸夜夜添夜夜添av毛片| 91在线精品国自产拍蜜月| 看十八女毛片水多多多| 丰满少妇做爰视频| 纵有疾风起免费观看全集完整版 | 日韩制服骚丝袜av| 男人爽女人下面视频在线观看| 欧美三级亚洲精品| 精品人妻熟女av久视频| 日本与韩国留学比较| 嘟嘟电影网在线观看| 免费播放大片免费观看视频在线观看| 亚洲图色成人| xxx大片免费视频| 免费观看精品视频网站| 国产精品爽爽va在线观看网站| 高清视频免费观看一区二区 | 日本黄大片高清| 国产乱人偷精品视频| av免费观看日本| av线在线观看网站| 97超视频在线观看视频| 国产伦精品一区二区三区四那| 亚洲av电影在线观看一区二区三区 | 欧美日本视频| 校园人妻丝袜中文字幕| 最近中文字幕2019免费版| 99久国产av精品国产电影| 男女啪啪激烈高潮av片| 99久国产av精品| 色综合亚洲欧美另类图片| 久久久a久久爽久久v久久| 一级a做视频免费观看| 人妻一区二区av| 丝袜美腿在线中文| 国产成人精品久久久久久| 狂野欧美白嫩少妇大欣赏| 国产一区二区三区av在线| 久久精品国产亚洲av天美| 日韩欧美三级三区| 国产午夜精品一二区理论片| av在线播放精品| 欧美区成人在线视频| 在线免费十八禁| 国产三级在线视频| 亚洲精品乱码久久久v下载方式| 亚洲精品乱久久久久久| 久久久欧美国产精品| 欧美日韩视频高清一区二区三区二| 国产精品.久久久| 毛片女人毛片| 男女边摸边吃奶| 如何舔出高潮| 久久久久久久久久黄片| kizo精华| 嫩草影院入口| 国产精品综合久久久久久久免费| 婷婷色av中文字幕| 日日撸夜夜添| 小蜜桃在线观看免费完整版高清| 女人十人毛片免费观看3o分钟| 黄色一级大片看看| 日本爱情动作片www.在线观看| 中国美白少妇内射xxxbb| 自拍偷自拍亚洲精品老妇| 国产成人福利小说| 极品少妇高潮喷水抽搐| 久久精品夜夜夜夜夜久久蜜豆| 蜜桃亚洲精品一区二区三区| 日产精品乱码卡一卡2卡三| 在线免费观看不下载黄p国产| 成人毛片60女人毛片免费| 2021少妇久久久久久久久久久| 国产精品一区二区三区四区免费观看| 一区二区三区四区激情视频| 日韩国内少妇激情av| 啦啦啦中文免费视频观看日本| 国产精品不卡视频一区二区| 青春草亚洲视频在线观看| 中国美白少妇内射xxxbb| 听说在线观看完整版免费高清| 小蜜桃在线观看免费完整版高清| 久久人人爽人人爽人人片va| 青春草视频在线免费观看| 婷婷色av中文字幕| 在线观看免费高清a一片| 麻豆av噜噜一区二区三区| 国产精品一区www在线观看| 亚洲丝袜综合中文字幕| 亚洲激情五月婷婷啪啪| 欧美性猛交╳xxx乱大交人| 一二三四中文在线观看免费高清| 国产一区有黄有色的免费视频 | .国产精品久久| 亚洲精品色激情综合| 能在线免费观看的黄片| 18禁在线无遮挡免费观看视频| 国产亚洲精品av在线| a级毛片免费高清观看在线播放| 中文字幕亚洲精品专区| 中文天堂在线官网| 搡老乐熟女国产| 亚洲精品乱码久久久v下载方式| 我的老师免费观看完整版| videossex国产| 亚洲在久久综合| 麻豆国产97在线/欧美| 亚洲av电影不卡..在线观看| 国产乱人视频| 丝袜美腿在线中文| 久久这里有精品视频免费| www.色视频.com| 干丝袜人妻中文字幕| 亚洲国产高清在线一区二区三| 亚洲aⅴ乱码一区二区在线播放| 久久久久久久久中文| 日韩av免费高清视频| 国产精品伦人一区二区| 成人亚洲欧美一区二区av| 亚洲最大成人av| 欧美日韩一区二区视频在线观看视频在线 | 国产大屁股一区二区在线视频| 国内少妇人妻偷人精品xxx网站| 男女视频在线观看网站免费| 亚洲精品一二三| 国产亚洲91精品色在线| 亚洲国产成人一精品久久久| 国产黄频视频在线观看| 亚洲欧美中文字幕日韩二区| 波野结衣二区三区在线| 观看美女的网站| 国产亚洲精品av在线| 国产精品三级大全| 九九爱精品视频在线观看| 黄片wwwwww| 亚洲国产成人一精品久久久| 亚洲乱码一区二区免费版| 美女高潮的动态| 久久99精品国语久久久| 麻豆av噜噜一区二区三区| 久久国产乱子免费精品| 免费黄色在线免费观看| 永久免费av网站大全| 久久精品久久精品一区二区三区| 国产色爽女视频免费观看| 精品一区二区免费观看| 国产在线一区二区三区精| 亚洲自偷自拍三级| 国产一区有黄有色的免费视频 | 美女国产视频在线观看| 中文字幕免费在线视频6| 亚洲国产精品sss在线观看| 国产乱来视频区| av在线观看视频网站免费| 日韩一区二区三区影片| 成人毛片a级毛片在线播放| 毛片女人毛片| 插逼视频在线观看| 久久午夜福利片| 日日摸夜夜添夜夜添av毛片| av免费在线看不卡| 亚洲精品第二区| 国产精品国产三级专区第一集| 国产精品美女特级片免费视频播放器| 亚洲欧美精品自产自拍| 亚洲最大成人手机在线| 欧美最新免费一区二区三区| 亚洲婷婷狠狠爱综合网| 99久久九九国产精品国产免费| 日韩av在线大香蕉| 99久久九九国产精品国产免费| 国产高清国产精品国产三级 | 麻豆久久精品国产亚洲av| 免费观看性生交大片5| 欧美激情久久久久久爽电影| 欧美一区二区亚洲| 成人综合一区亚洲| 日韩不卡一区二区三区视频在线| 午夜精品国产一区二区电影 | 18+在线观看网站| 欧美性猛交╳xxx乱大交人| 人妻制服诱惑在线中文字幕| av在线播放精品| 不卡视频在线观看欧美| 亚洲欧美日韩卡通动漫| 99久久九九国产精品国产免费| 69av精品久久久久久| 国产精品.久久久| 亚洲自偷自拍三级| 日韩欧美一区视频在线观看 |